Sesión 4

Curso: Fundamentos R para Ciencia de Datos en Salud

Percy Soto-Becerra, M.D., M.Sc(c)

DIS – IETSI, EsSalud

2024-03-23

https://github.com/psotob91

Datos ‘tidy’

Agenda

Datos ‘tidy’
El Operador Pipe
Principios del manejo de datos con {dplyr}
Otros verbos útiles para manejo de datos
Uso de helpers

Datos ‘tidy’

Características de los datos ordenados o ‘tidy’

Cada variable forma un columna.
Cada observación forma una fila.
Cada tipo de unidad observacional forma una tabla.

Características de los datos desordenados o ‘untidy’

!@#$%^&*()

Gramática de manejo de datos

Al igual que {ggplot}, el paquete {dplyr}, también de {tidyverse}, ofrece toda una gramática llena de funciones que actúan como verbos para manipular data.frames.

select: extrae columnas usando nombres
arrange: reordena filas
slice: extrae filas usando índices
filter: extrae filas que coincidan con criterios lógicos
distinct: filtra por filas únicas
mutate: agrega nuevas variables
summarise: reduce variables a valores
group_by: para operacionesa agrupadas
… (mucho más)

Reglas de las funciones de {dplyr}

El primer argumento siempre es el data frame.
Los argumentos subsecuentes dicen qué hacer con el data frame.
Siempre retorna un data frame.
No altera el data frame original.

Ejemplo de función {dplyr} en acción: seleccionar columna

Ver solamente country (países):

select(gapminder, country)

# A tibble: 1,704 × 1
   country    
   <fct>      
 1 Afghanistan
 2 Afghanistan
 3 Afghanistan
 4 Afghanistan
 5 Afghanistan
 6 Afghanistan
 7 Afghanistan
 8 Afghanistan
 9 Afghanistan
10 Afghanistan
# ℹ 1,694 more rows

Reglas de las funciones de {dplyr} en acción

select(
  gapminder, 
  country
)

Inicia con la función (un verbo): select()

Reglas de las funciones de {dplyr} en acción

select(
  gapminder, 
  country
)

Inicia con la función (un verbo): select()
Primer argumento: data frame con el que trabajaremos, gapminder

Reglas de las funciones de {dplyr} en acción

select(
  gapminder, 
  country
)

Inicia con la función (un verbo): select()
Primer argumento: data frame con el que trabajaremos, gapminder
Segundo argumento: variable que queremos seleccionar, country

Reglas de las funciones de {dplyr} en acción

select(
  gapminder, 
  country
)

# A tibble: 1,704 × 1
   country    
   <fct>      
 1 Afghanistan
 2 Afghanistan
 3 Afghanistan
 4 Afghanistan
 5 Afghanistan
 6 Afghanistan
 7 Afghanistan
 8 Afghanistan
 9 Afghanistan
10 Afghanistan
# ℹ 1,694 more rows

Inicia con la función (un verbo): select()
Primer argumento: data frame con el que trabajaremos, gapminder
Segundo argumento: variable que queremos seleccionar, country
Resultado: data frame con 1704 filas y 1 columna

Entra data frame / tibble, sale data frame / tiblble

Las funciones de dplyr siempre esperan un data frame y siempre generan un data frame.

Entra:

class(gapminder)

[1] "tbl_df"     "tbl"        "data.frame"

Sale:

select(gapminder, continent) %>% 
  class()

[1] "tbl_df"     "tbl"        "data.frame"

El Operador Pipe

Agenda

Datos ‘tidy’
El Operador Pipe
Principios del manejo de datos con {dplyr}
Otros verbos útiles para manejo de datos
Uso de helpers

¿Qué es un pipe?

En programación, un pipe es una técnica para transmitir información de un proceso a otro.

En R, hay dos operadores pipe:
- pipe de tidyverse: %>%
- pipe nativo (de R base):|>
En este curso, usaremos el pipe de tidyverse: %>%
El operador pipe de tidyverse es del paquete {magrittr}, que no necesita ser cargado si es que se carga {tidyverse}.

%>% en acción

Este operador conecta secuencia de acciones en forma de código:

yo
despierto a las 8 horas
salgo de cama por el lado derecho
visto pantalones y polo
salgo de casa con carro sin bicicleta

yo %>% 
  despertar(tiempo = "8:00") %>% 
  salir_de_cama(lado = "derecha") %>% 
  vestir(pantalones = TRUE, polo = TRUE) %>% 
  salir_de_casa(carro = TRUE, bicicleta = TRUE)

Atajo de teclado del operador pipe:

Ctrl + Shift + M
Ctrl + ⇧ + M

Un ejemplo de uso de %>%

Sin %>%:

datos_fase1 <- read_stata("maca_meno_fase1.dta") 
datos_fase1 <- as_factor(datos_fase1)

El código es redundante: repites tres veces datos_fase1.

head(datos_fase1)

# A tibble: 6 × 14
     id time   treat   age race  married married2 procedence weight height    e2
  <dbl> <fct>  <fct> <dbl> <chr> <fct>   <fct>    <chr>       <dbl>  <dbl> <dbl>
1     1 Basel… Plac…    33 Mest… Single  Without… Callao       59      1.4  87.3
2     1 3 mon… Plac…    32 Mest… Single  Without… Callao       59.9    1.3 210. 
3     2 Basel… Dosi…    27 Mest… Single  Without… Santa Ani…   62      1.5 169. 
4     2 3 mon… Dosi…    27 Mest… Single  Without… Santa Ani…   62.1    1.6  99.9
5     3 Basel… Dosi…    25 Mest… Single  Without… Callao       62      1.6  78.8
6     3 3 mon… Dosi…    25 Mest… Single  Without… Callao       60      1.6 155. 
# ℹ 3 more variables: lh <dbl>, fsh <dbl>, prog <dbl>

Con %>%:

datos_fase1 <- read_stata("maca_meno_fase1.dta") %>% 
  as_factor()

El código es más simple y directo, datos_fase1 solo se repite una vez.

head(datos_fase1)

# A tibble: 6 × 14
     id time   treat   age race  married married2 procedence weight height    e2
  <dbl> <fct>  <fct> <dbl> <chr> <fct>   <fct>    <chr>       <dbl>  <dbl> <dbl>
1     1 Basel… Plac…    33 Mest… Single  Without… Callao       59      1.4  87.3
2     1 3 mon… Plac…    32 Mest… Single  Without… Callao       59.9    1.3 210. 
3     2 Basel… Dosi…    27 Mest… Single  Without… Santa Ani…   62      1.5 169. 
4     2 3 mon… Dosi…    27 Mest… Single  Without… Santa Ani…   62.1    1.6  99.9
5     3 Basel… Dosi…    25 Mest… Single  Without… Callao       62      1.6  78.8
6     3 3 mon… Dosi…    25 Mest… Single  Without… Callao       60      1.6 155. 
# ℹ 3 more variables: lh <dbl>, fsh <dbl>, prog <dbl>

Principios del manejo de datos con {dplyr}

Agenda

Datos ‘tidy’
El Operador Pipe
Principios del manejo de datos con {dplyr}
Otros verbos útiles para manejo de datos
Uso de helpers

El paquete {dplyr} es una ‘suite’ de funciones para manipular data frame.

Verbos	Función
Extrae filas con filter()
Extrae columnas con select()
Reordena filas con arrange()
Crea nuevas / remplaza columnas con mutate
Haz resumenes agrupados con group_by() y summarize()

Selección de columnas con select()

La función select() selecciona o excluye columnas.
El signo - permite elegir qué columnas eliminar.
A veces es mejor llamarla usando: dplyr::select() debido a que otros paquetes también tienen una función con el mismo nombre.

Larga

select(.data = DATA, ...)

Abreviada

select(DATA, ...)

Se estila usar %>%

DATA %>% 
  select(...)

Argumento	Descripción
.data	Data frame o extensión de data frame (por ejemplo, tibble).
...	Una o más nombres de variables sin ' ' o expresiones como x:y que permiten seleccionar rango de variables.

Si solo quiero seleccionar a id, time, age, race y procedence:

datos_fase1 %>% 
  select(id, time, age, race, procedence)

# A tibble: 106 × 5
      id time       age race    procedence 
   <dbl> <fct>    <dbl> <chr>   <chr>      
 1     1 Baseline    33 Mestiza Callao     
 2     1 3 months    32 Mestiza Callao     
 3     2 Baseline    27 Mestiza Santa Anita
 4     2 3 months    27 Mestiza Santa Anita
 5     3 Baseline    25 Mestiza Callao     
 6     3 3 months    25 Mestiza Callao     
 7     4 Baseline    37 Mestiza Callao     
 8     4 3 months    38 Mestiza Callao     
 9     5 Baseline    31 Mestiza La Molina  
10     5 3 months    32 Mestiza La Molina  
# ℹ 96 more rows

Si quisiera excluir a procedence:

datos_fase1 %>% 
  select(-procedence)

# A tibble: 106 × 13
      id time     treat     age race  married married2 weight height    e2    lh
   <dbl> <fct>    <fct>   <dbl> <chr> <fct>   <fct>     <dbl>  <dbl> <dbl> <dbl>
 1     1 Baseline Placebo    33 Mest… Single  Without…   59      1.4  87.3  3.28
 2     1 3 months Placebo    32 Mest… Single  Without…   59.9    1.3 210.  26.8 
 3     2 Baseline Dosis 2    27 Mest… Single  Without…   62      1.5 169.   6.34
 4     2 3 months Dosis 2    27 Mest… Single  Without…   62.1    1.6  99.9  5.77
 5     3 Baseline Dosis 1    25 Mest… Single  Without…   62      1.6  78.8 11.9 
 6     3 3 months Dosis 1    25 Mest… Single  Without…   60      1.6 155.  10.1 
 7     4 Baseline Dosis 1    37 Mest… Divorc… Without…   60.9    1.5  41.0  4.57
 8     4 3 months Dosis 1    38 Mest… Divorc… Without…   61.4    1.5 109.   7.29
 9     5 Baseline Placebo    31 Mest… Single  Without…   64      1.5  43.0  7.81
10     5 3 months Placebo    32 Mest… Single  Without…   58.1    1.6  56.0  9.15
# ℹ 96 more rows
# ℹ 2 more variables: fsh <dbl>, prog <dbl>

Si se quiere seleccionar variables contiguas age, race, married, married2, y procedence.

datos_fase1 %>% 
  select(age:procedence)

# A tibble: 106 × 5
     age race    married  married2       procedence 
   <dbl> <chr>   <fct>    <fct>          <chr>      
 1    33 Mestiza Single   Without couple Callao     
 2    32 Mestiza Single   Without couple Callao     
 3    27 Mestiza Single   Without couple Santa Anita
 4    27 Mestiza Single   Without couple Santa Anita
 5    25 Mestiza Single   Without couple Callao     
 6    25 Mestiza Single   Without couple Callao     
 7    37 Mestiza Divorced Without couple Callao     
 8    38 Mestiza Divorced Without couple Callao     
 9    31 Mestiza Single   Without couple La Molina  
10    32 Mestiza Single   Without couple La Molina  
# ℹ 96 more rows

Se usa el operador <-:

datos_fase1_select <- datos_fase1 %>% 
  select(id, time, treat, age, race)

También se puede invertir el operador ->:

datos_fase1 %>% 
    select(id, time, treat, age, procedence) -> datos_fase1_select

Una vez guardado como objeto, podemos reutilizarlo para otros fines:

datos_fase1_select

# A tibble: 106 × 5
      id time     treat     age procedence 
   <dbl> <fct>    <fct>   <dbl> <chr>      
 1     1 Baseline Placebo    33 Callao     
 2     1 3 months Placebo    32 Callao     
 3     2 Baseline Dosis 2    27 Santa Anita
 4     2 3 months Dosis 2    27 Santa Anita
 5     3 Baseline Dosis 1    25 Callao     
 6     3 3 months Dosis 1    25 Callao     
 7     4 Baseline Dosis 1    37 Callao     
 8     4 3 months Dosis 1    38 Callao     
 9     5 Baseline Placebo    31 La Molina  
10     5 3 months Placebo    32 La Molina  
# ℹ 96 more rows

Arreglar en orden ascendente / descendente con arrange()

Orden ascendente
Orden descendente

datos_fase1_select %>% 
  arrange(age)

# A tibble: 106 × 5
      id time     treat     age procedence
   <dbl> <fct>    <fct>   <dbl> <chr>     
 1    40 Baseline Placebo    20 VES       
 2    40 3 months Placebo    20 VES       
 3    20 Baseline Placebo    22 Surquillo 
 4    20 3 months Placebo    22 Surquillo 
 5    29 Baseline Dosis 1    23 SJL       
 6    29 3 months Dosis 1    23 SJL       
 7    39 Baseline Dosis 2    23 Callao    
 8    39 3 months Dosis 2    23 Callao    
 9     3 Baseline Dosis 1    25 Callao    
10     3 3 months Dosis 1    25 Callao    
# ℹ 96 more rows

datos_fase1_select %>% 
  arrange(desc(age))

# A tibble: 106 × 5
      id time     treat     age procedence
   <dbl> <fct>    <fct>   <dbl> <chr>     
 1    22 Baseline Dosis 1    41 Chorrillos
 2    22 3 months Dosis 1    41 Chorrillos
 3    33 Baseline Dosis 2    41 SJL       
 4    33 3 months Dosis 2    41 SJL       
 5    51 Baseline Dosis 1    41 Surco     
 6    51 3 months Dosis 1    41 Surco     
 7    17 Baseline Placebo    40 Surquillo 
 8    17 3 months Placebo    40 Surquillo 
 9    28 Baseline Dosis 2    40 SJL       
10    28 3 months Dosis 2    40 SJL       
# ℹ 96 more rows

Seleccionar filas

De acuerdo a índice (posición de fila):
- slice( )
De acuerdo a condición:
- filter( )

Rebanar filas con slice( )

Seleccionar filas contiguas
Seleccionar filas dispersas
Excluir filas

Seleccionar las 3 primeras filas:

datos_fase1 %>% 
  slice(1:3)

# A tibble: 3 × 14
     id time   treat   age race  married married2 procedence weight height    e2
  <dbl> <fct>  <fct> <dbl> <chr> <fct>   <fct>    <chr>       <dbl>  <dbl> <dbl>
1     1 Basel… Plac…    33 Mest… Single  Without… Callao       59      1.4  87.3
2     1 3 mon… Plac…    32 Mest… Single  Without… Callao       59.9    1.3 210. 
3     2 Basel… Dosi…    27 Mest… Single  Without… Santa Ani…   62      1.5 169. 
# ℹ 3 more variables: lh <dbl>, fsh <dbl>, prog <dbl>

Seleccionar las filas 3, 6, 10:

datos_fase1 %>% 
  slice(c(3, 6, 10))

# A tibble: 3 × 14
     id time   treat   age race  married married2 procedence weight height    e2
  <dbl> <fct>  <fct> <dbl> <chr> <fct>   <fct>    <chr>       <dbl>  <dbl> <dbl>
1     2 Basel… Dosi…    27 Mest… Single  Without… Santa Ani…   62      1.5 169. 
2     3 3 mon… Dosi…    25 Mest… Single  Without… Callao       60      1.6 155. 
3     5 3 mon… Plac…    32 Mest… Single  Without… La Molina    58.1    1.6  56.0
# ℹ 3 more variables: lh <dbl>, fsh <dbl>, prog <dbl>

Excluir filas 1 y 3

datos_fase1 %>% 
  slice(-c(1, 3))

# A tibble: 104 × 14
      id time  treat   age race  married married2 procedence weight height    e2
   <dbl> <fct> <fct> <dbl> <chr> <fct>   <fct>    <chr>       <dbl>  <dbl> <dbl>
 1     1 3 mo… Plac…    32 Mest… Single  Without… Callao       59.9    1.3 210. 
 2     2 3 mo… Dosi…    27 Mest… Single  Without… Santa Ani…   62.1    1.6  99.9
 3     3 Base… Dosi…    25 Mest… Single  Without… Callao       62      1.6  78.8
 4     3 3 mo… Dosi…    25 Mest… Single  Without… Callao       60      1.6 155. 
 5     4 Base… Dosi…    37 Mest… Divorc… Without… Callao       60.9    1.5  41.0
 6     4 3 mo… Dosi…    38 Mest… Divorc… Without… Callao       61.4    1.5 109. 
 7     5 Base… Plac…    31 Mest… Single  Without… La Molina    64      1.5  43.0
 8     5 3 mo… Plac…    32 Mest… Single  Without… La Molina    58.1    1.6  56.0
 9     6 Base… Plac…    38 Mest… Married With co… Los Olivos   54.5    1.5  36.2
10     6 3 mo… Plac…    38 Mest… Married With co… Los Olivos   53.9    1.5  44.7
# ℹ 94 more rows
# ℹ 3 more variables: lh <dbl>, fsh <dbl>, prog <dbl>

Filtrado de filas con filter()

La función filter() selecciona individuos que cumplen una condición lógica.
Se debe usar operadores booleanos para construir condiciones lógicas simples o complejas.

Larga

filter(.data = DATA, ...)

Abreviada

filter(DATA, ...)

Se estila usar %>%

DATA %>% 
  filter(...)

Argumento	Descripción
.data	Data frame o extensión de data frame (por ejemplo, tibble).
...	Uno o más condiciones o pruebas que filter() evaluará en cada fila y seleccionará solo las condiciones que resulten verdaderas: TRUE.

Operadores lógicos con R

Operador	Definición	Operador	Definición
<	menor que	A \| B	A o B
<=	menor o igual que	is.na(A)	evalúa si A es NA
>	mayor que	!is.na(A)	evalúa si A no es NA
>=	mayor o igual que	A %in% B	evalúa si A está en B
==	exactamente igual a	!(A %in% B)	evalúa si A no está en B
!=	diferente de	!A	no A
A & B	A y B

filter( ) en acción

Condición simple
Y (AND)
O (OR)
ENTRE (BETWEEN)
EN (INTO)

Si se filtra solo para tener a los individuos en su medición basal:

datos_fase1_select %>% 
  filter(time == "Baseline")

# A tibble: 53 × 5
      id time     treat     age procedence  
   <dbl> <fct>    <fct>   <dbl> <chr>       
 1     1 Baseline Placebo    33 Callao      
 2     2 Baseline Dosis 2    27 Santa Anita 
 3     3 Baseline Dosis 1    25 Callao      
 4     4 Baseline Dosis 1    37 Callao      
 5     5 Baseline Placebo    31 La Molina   
 6     6 Baseline Placebo    38 Los Olivos  
 7     7 Baseline Dosis 1    26 SMP         
 8     8 Baseline Placebo    34 Carabayllo  
 9     9 Baseline Dosis 2    30 SMP         
10    10 Baseline Placebo    38 Pueblo Libre
# ℹ 43 more rows

Podemos querer filtrar a los individuos en la medición basal Y que sean placebo:

datos_fase1_select %>% 
  filter(time == "Baseline" & treat == "Placebo")

# A tibble: 17 × 5
      id time     treat     age procedence       
   <dbl> <fct>    <fct>   <dbl> <chr>            
 1     1 Baseline Placebo    33 Callao           
 2     5 Baseline Placebo    31 La Molina        
 3     6 Baseline Placebo    38 Los Olivos       
 4     8 Baseline Placebo    34 Carabayllo       
 5    10 Baseline Placebo    38 Pueblo Libre     
 6    14 Baseline Placebo    33 Surquillo        
 7    15 Baseline Placebo    37 Comas            
 8    17 Baseline Placebo    40 Surquillo        
 9    18 Baseline Placebo    36 Miraflores       
10    20 Baseline Placebo    22 Surquillo        
11    21 Baseline Placebo    29 SJL              
12    25 Baseline Placebo    37 San Borja        
13    26 Baseline Placebo    32 Chosica          
14    40 Baseline Placebo    20 VES              
15    43 Baseline Placebo    36 Villa el Salvador
16    45 Baseline Placebo    35 Los Olivos       
17    48 Baseline Placebo    27 Callao

datos_fase1_select %>% 
  filter(time == "Baseline", treat == "Placebo")

# A tibble: 17 × 5
      id time     treat     age procedence       
   <dbl> <fct>    <fct>   <dbl> <chr>            
 1     1 Baseline Placebo    33 Callao           
 2     5 Baseline Placebo    31 La Molina        
 3     6 Baseline Placebo    38 Los Olivos       
 4     8 Baseline Placebo    34 Carabayllo       
 5    10 Baseline Placebo    38 Pueblo Libre     
 6    14 Baseline Placebo    33 Surquillo        
 7    15 Baseline Placebo    37 Comas            
 8    17 Baseline Placebo    40 Surquillo        
 9    18 Baseline Placebo    36 Miraflores       
10    20 Baseline Placebo    22 Surquillo        
11    21 Baseline Placebo    29 SJL              
12    25 Baseline Placebo    37 San Borja        
13    26 Baseline Placebo    32 Chosica          
14    40 Baseline Placebo    20 VES              
15    43 Baseline Placebo    36 Villa el Salvador
16    45 Baseline Placebo    35 Los Olivos       
17    48 Baseline Placebo    27 Callao

Podemos querer filtrar a los individuos en la medición basal O que sean placebo:

datos_fase1_select %>% 
  filter(time == "Baseline" | treat == "Placebo")

# A tibble: 70 × 5
      id time     treat     age procedence 
   <dbl> <fct>    <fct>   <dbl> <chr>      
 1     1 Baseline Placebo    33 Callao     
 2     1 3 months Placebo    32 Callao     
 3     2 Baseline Dosis 2    27 Santa Anita
 4     3 Baseline Dosis 1    25 Callao     
 5     4 Baseline Dosis 1    37 Callao     
 6     5 Baseline Placebo    31 La Molina  
 7     5 3 months Placebo    32 La Molina  
 8     6 Baseline Placebo    38 Los Olivos 
 9     6 3 months Placebo    38 Los Olivos 
10     7 Baseline Dosis 1    26 SMP        
# ℹ 60 more rows

Si queremos solo las mujeres entre 34 y 38 años de edad:

datos_fase1_select %>% 
  filter(age >= 34 & age <= 38)

# A tibble: 36 × 5
      id time     treat     age procedence  
   <dbl> <fct>    <fct>   <dbl> <chr>       
 1     4 Baseline Dosis 1    37 Callao      
 2     4 3 months Dosis 1    38 Callao      
 3     6 Baseline Placebo    38 Los Olivos  
 4     6 3 months Placebo    38 Los Olivos  
 5     8 Baseline Placebo    34 Carabayllo  
 6     8 3 months Placebo    34 Carabayllo  
 7    10 Baseline Placebo    38 Pueblo Libre
 8    10 3 months Placebo    38 Pueblo Libre
 9    11 Baseline Dosis 2    37 El Agustino 
10    11 3 months Dosis 2    36 El Agustino 
# ℹ 26 more rows

Si queremos a quienes son de Santa Anita, Callao, SMP o Carabayllo:

Opción válida pero ineficiente:
Opción válida y eficiente:

datos_fase1 %>% 
  filter(procedence == "Santa Anita" | procedence == "Callao" | procedence == "SMP")

# A tibble: 22 × 14
      id time  treat   age race  married married2 procedence weight height    e2
   <dbl> <fct> <fct> <dbl> <chr> <fct>   <fct>    <chr>       <dbl>  <dbl> <dbl>
 1     1 Base… Plac…    33 Mest… Single  Without… Callao       59      1.4  87.3
 2     1 3 mo… Plac…    32 Mest… Single  Without… Callao       59.9    1.3 210. 
 3     2 Base… Dosi…    27 Mest… Single  Without… Santa Ani…   62      1.5 169. 
 4     2 3 mo… Dosi…    27 Mest… Single  Without… Santa Ani…   62.1    1.6  99.9
 5     3 Base… Dosi…    25 Mest… Single  Without… Callao       62      1.6  78.8
 6     3 3 mo… Dosi…    25 Mest… Single  Without… Callao       60      1.6 155. 
 7     4 Base… Dosi…    37 Mest… Divorc… Without… Callao       60.9    1.5  41.0
 8     4 3 mo… Dosi…    38 Mest… Divorc… Without… Callao       61.4    1.5 109. 
 9     7 Base… Dosi…    26 Mest… Married With co… SMP          59.1    1.6  91.3
10     7 3 mo… Dosi…    26 Mest… Married With co… SMP          58.6    1.6  91.3
# ℹ 12 more rows
# ℹ 3 more variables: lh <dbl>, fsh <dbl>, prog <dbl>

datos_fase1 %>% 
  filter(procedence %in% c("Santa Anita", "Callao", "SMP"))

# A tibble: 22 × 14
      id time  treat   age race  married married2 procedence weight height    e2
   <dbl> <fct> <fct> <dbl> <chr> <fct>   <fct>    <chr>       <dbl>  <dbl> <dbl>
 1     1 Base… Plac…    33 Mest… Single  Without… Callao       59      1.4  87.3
 2     1 3 mo… Plac…    32 Mest… Single  Without… Callao       59.9    1.3 210. 
 3     2 Base… Dosi…    27 Mest… Single  Without… Santa Ani…   62      1.5 169. 
 4     2 3 mo… Dosi…    27 Mest… Single  Without… Santa Ani…   62.1    1.6  99.9
 5     3 Base… Dosi…    25 Mest… Single  Without… Callao       62      1.6  78.8
 6     3 3 mo… Dosi…    25 Mest… Single  Without… Callao       60      1.6 155. 
 7     4 Base… Dosi…    37 Mest… Divorc… Without… Callao       60.9    1.5  41.0
 8     4 3 mo… Dosi…    38 Mest… Divorc… Without… Callao       61.4    1.5 109. 
 9     7 Base… Dosi…    26 Mest… Married With co… SMP          59.1    1.6  91.3
10     7 3 mo… Dosi…    26 Mest… Married With co… SMP          58.6    1.6  91.3
# ℹ 12 more rows
# ℹ 3 more variables: lh <dbl>, fsh <dbl>, prog <dbl>

Podemos anidar con %>% varias tareas

Esto se denomina establecer un pipeline:

datos_fase1 %>% 
  filter(age > 35) %>% # Primero filtro por age
  select(id, time, treat, race, age) %>% # Luego me quedo solo con estas 5 columnas
  arrange(age) # Por último, reordenamos por edad

# A tibble: 40 × 5
      id time     treat   race      age
   <dbl> <fct>    <fct>   <chr>   <dbl>
 1    11 3 months Dosis 2 Mestiza    36
 2    18 Baseline Placebo Mestiza    36
 3    18 3 months Placebo Mestiza    36
 4    43 Baseline Placebo Mestiza    36
 5    43 3 months Placebo Mestiza    36
 6    46 Baseline Dosis 2 Mestiza    36
 7    46 3 months Dosis 2 Mestiza    36
 8     4 Baseline Dosis 1 Mestiza    37
 9    11 Baseline Dosis 2 Mestiza    37
10    15 Baseline Placebo Mestiza    37
# ℹ 30 more rows

Creación de nuevas columnas con mutate()

La función mutate() crea columnas nuevas o modifica existentes.

Larga

mutate(.data = DATA, ...)

Abreviada

mutate(DATA, ...)

Se estila usar %>%

DATA %>% 
  mutate(...)

Argumento	Descripción
.data	Data frame o extensión de data frame (por ejemplo, tibble).
...	Columnas existente para modificar o columnas nuevas para crear.

mutate() en acción

Crear una nueva variable
Crear varias nuevas variables
Remplazar variable existente

Si queremos crear la variable índice de masa corporal:

datos_fase1 %>% 
  select(id, weight, height) %>% # Nos quedamos con peso y talla 
  mutate(imc = weight / height ^ 2) # Creamos IMC en base a peso y talla

# A tibble: 106 × 4
      id weight height   imc
   <dbl>  <dbl>  <dbl> <dbl>
 1     1   59      1.4  30.1
 2     1   59.9    1.3  35.4
 3     2   62      1.5  27.6
 4     2   62.1    1.6  24.3
 5     3   62      1.6  24.2
 6     3   60      1.6  23.4
 7     4   60.9    1.5  27.1
 8     4   61.4    1.5  27.3
 9     5   64      1.5  28.4
10     5   58.1    1.6  22.7
# ℹ 96 more rows

También podemos crear más de una variable nueva.
Incluso, podemos reutilizar la variable recién creada para crear otra nueva dentro del mismo argumento de mutate()

datos_fase1 %>% 
  select(id, weight, height) %>% 
  mutate(
    imc = weight / height ^ 2, 
    imc_escalado = imc / 10
    )

# A tibble: 106 × 5
      id weight height   imc imc_escalado
   <dbl>  <dbl>  <dbl> <dbl>        <dbl>
 1     1   59      1.4  30.1         3.01
 2     1   59.9    1.3  35.4         3.54
 3     2   62      1.5  27.6         2.76
 4     2   62.1    1.6  24.3         2.43
 5     3   62      1.6  24.2         2.42
 6     3   60      1.6  23.4         2.34
 7     4   60.9    1.5  27.1         2.71
 8     4   61.4    1.5  27.3         2.73
 9     5   64      1.5  28.4         2.84
10     5   58.1    1.6  22.7         2.27
# ℹ 96 more rows

Tener cuidado si se quiere reutilizar la variable original, en ese caso es mejor crear columna nueva.
Queremos que la edad sea reportada en meses:

Crear columna nueva:

datos_fase1 %>% 
  select(id, age) %>% 
  mutate(age2 = age * 12) # Columna nueva llamada age2

# A tibble: 106 × 3
      id   age  age2
   <dbl> <dbl> <dbl>
 1     1    33   396
 2     1    32   384
 3     2    27   324
 4     2    27   324
 5     3    25   300
 6     3    25   300
 7     4    37   444
 8     4    38   456
 9     5    31   372
10     5    32   384
# ℹ 96 more rows

Remplazar la edad:

datos_fase1 %>% 
  select(id, age) %>% 
  mutate(age = age * 12) # Notar que se remplazó age

# A tibble: 106 × 2
      id   age
   <dbl> <dbl>
 1     1   396
 2     1   384
 3     2   324
 4     2   324
 5     3   300
 6     3   300
 7     4   444
 8     4   456
 9     5   372
10     5   384
# ℹ 96 more rows

Otros verbos útiles para manejo de datos

Agenda

Datos ‘tidy’
El Operador Pipe
Principios del manejo de datos con {dplyr}
Otros verbos útiles para manejo de datos
Uso de helpers

Renombrar variables con rename()

Cambia los nombres de variables individuales.

Larga

rename(.data = DATA, ...)

Abreviada

rename(DATA, ...)

Se estila usar %>%

DATA %>% 
  rename(...)

Argumento	Descripción
.data	Data frame o extensión de data frame (por ejemplo, tibble).
...	nuevo_nombre = viejo_nombre

rename() en acción

Cambiar el nombre de married por casado1 y el de age por edad.

datos_fase1 %>% 
  rename(
    casado1 = married, 
    edad = age
    )

# A tibble: 106 × 14
      id time  treat  edad race  casado1 married2 procedence weight height    e2
   <dbl> <fct> <fct> <dbl> <chr> <fct>   <fct>    <chr>       <dbl>  <dbl> <dbl>
 1     1 Base… Plac…    33 Mest… Single  Without… Callao       59      1.4  87.3
 2     1 3 mo… Plac…    32 Mest… Single  Without… Callao       59.9    1.3 210. 
 3     2 Base… Dosi…    27 Mest… Single  Without… Santa Ani…   62      1.5 169. 
 4     2 3 mo… Dosi…    27 Mest… Single  Without… Santa Ani…   62.1    1.6  99.9
 5     3 Base… Dosi…    25 Mest… Single  Without… Callao       62      1.6  78.8
 6     3 3 mo… Dosi…    25 Mest… Single  Without… Callao       60      1.6 155. 
 7     4 Base… Dosi…    37 Mest… Divorc… Without… Callao       60.9    1.5  41.0
 8     4 3 mo… Dosi…    38 Mest… Divorc… Without… Callao       61.4    1.5 109. 
 9     5 Base… Plac…    31 Mest… Single  Without… La Molina    64      1.5  43.0
10     5 3 mo… Plac…    32 Mest… Single  Without… La Molina    58.1    1.6  56.0
# ℹ 96 more rows
# ℹ 3 more variables: lh <dbl>, fsh <dbl>, prog <dbl>

Uso de helpers

Agenda

Datos ‘tidy’
El Operador Pipe
Principios del manejo de datos con {dplyr}
Otros verbos útiles para manejo de datos
Uso de helpers

Selectores tidy

Son funciones que ayudan a especificar un grupo específico de columnas.
Ejemplos típicos de funciones tidyselect son:
- starts_with()
- end_with()
- contains()
- matches()
- last_col()
- num_range()
- where()
Más información sobre tidylsect: https://dplyr.tidyverse.org/reference/select.html

Etiquetar variables con set_var_labels()

La función set_var_labels() del paquete labelled() es muy útil para etiquetar columnas.
Los datos deben tener metadatos que permitan ser legibles por el ser humano.
Primero instalar y cargar paquete:

library(labelled)

Es preferible usar esta función al final de todo el proceso de limpieza de datos.

Larga

set_var_labels(.data = DATA, ...)

Abreviada

set_var_labels(DATA, ...)

Se estila usar %>%

DATA %>% 
  set_var_labels(...)

Argumento	Descripción
.data	Data frame o extensión de data frame (por ejemplo, tibble).
...	variable = 'nueva etiqueta'

set_var_labels() en acción

Sin etiqueta de variable
Con etiqueta de variable

¿Qué significan pas, pad y pam?
Difícil de saber sin una etiqueta

Usando set_variable_labels()

datos2 <- datos %>% 
  set_variable_labels(
    pam = "Presión Arterial Media", 
    pas = "Presión Arterial Sistólica", 
    pad = "Presión Arterial Diastólica"
  )

Hagamos una pausa

Tomemos un descanso de 5 minutos…

Estire las piernas …

Deje de ver las pantallas …

… cualquier , las del celular también.

05:00

¡Gracias! ¿Preguntas?

@psotob91

https://github.com/psotob91

percys1991@gmail.com